Tema 2.2 TEORÍA DE LA ESTIMACIÓN
|
|
- Ignacio Suárez Camacho
- hace 5 años
- Vistas:
Transcripción
1 ema. EORÍA DE LA ESIMACIÓ Febrero-Mayo 006 IDICE.. IRODUCCIÓ.. ESIMACIÓ DE MÁXIMA VEROSIMILIUD (ML)..3 ESIMACIÓ BAYESIAA..4 PROBLEMAS DE LA DIMESIOALIDAD - AÁLISIS DE COMPOEES PRICIPALES (PCA) - AÁLISIS POR MULIPLES DISCRIMIAES (MDA)..5 COCLUSIOES
2 .. IRODUCCIÓ La lasfaón bayesana presa del onomento de f x (x ω ) y de Pr(ω ). Para el álulo de estas magntudes se requere: - Dsponer de una sere de datos prevamente lasfados de forma fable. - Dsponer de un estmador de esas probabldades. La estmaón de f x (x ω ) requere muhos datos a menos que podamos defnr una funón que dependa de unos poos parámetros θ. Caso gaussano: θ ontene la meda y la matrz de ovaranza f ( x ω, θ x ) = exp x μ C x μ ( π ) ( ) ( ) d / / C 3 Exsten dos alternatvas:. Estmaón de máxma verosmldud (ML): Los parámetros a estmar se onsderan determnstas (aunque desonodos).. Estmaón bayesana: Los parámetros son varables aleatoras on dstrbuón a pror onoda. La defnón del estmador bayesano permte mejorar fálmente la estmaón de f x (x ω ) uando se dspone de nuevos datos. 4
3 Supondremos que dsponemos de una base de datos lasfada (un onjunto de vetores de araterístas lasfados por ategorías), a partr de las uales hemos de determnar f x (x ω ): {,,..., } D = x x x : ω {,,..., } D = x x x 3 3 {,,..., } D = x x x : ω 3 3 : ω 5.. ESIMACIÓ DE MÁXIMA VEROSIMILIUD (ML) S los datos observados en ada lase D son ndependentes: ( ) f D θ = fx ( x θ ) = es la funón de verosmltud. El estmador maxmza esta funón (o su logartmo): ( ) ( ) θˆ = arg max f D θ = arg max ln f D θ ML, θ θ Un onjunto de ondones neesaras (no sufentes) para obtener el estmador venen dadas por: ( D ) θ ln f θ = 0 6
4 Algunas posbles funones f x (x ω, θ ) f(d θ) Datos de D 7 Propedades del estmador ML:. Es asntótamente nsesgado (en muhos asos es nsesgado aunque sea pequeño).. Es asntótamente efente (uando es grande, su varanza es la de Crámer-Rao). Sn embargo. o tene porqué ser el que proporone menor error de lasfaón uando utlemos (, ˆ ) fx x ω θ, ML. S la pdf asumda es muy dstnta de la real las estmaones pueden ser de poa aldad. 8
5 Ejemplo : Estmador ML de la meda μ s la matrz de ovaranza C es onoda, en el aso gausano multvarable. Demostrad que: Ejemplo : μˆ ML, = x = Estmador ML de la meda μ y la matrz de ovaranza C en el aso gausano multvarable. Demostrad que: μˆ ML, = x C ˆ, ( ˆ, )( ˆ ML = ML ML, ) = x μ x μ = 9 Ejemplo 3: Estmador ML de la probabldad p de aparón de para ada una de las omponentes del vetor de datos bnaros x {0,} d : f ( D ω, p) = p ( p ) x p = [ p,..., p ] d d j= = x x, j, j 0
6 ..3 ESIMACIÓ BAYESIAA S se dspone de algún onomento a pror de los rangos de valores más probables de θ podemos aproveharlo para:. Mejorar la estmaón ML de θ (usando MAP) ( ) ( ) ( ) ( ) θˆ = arg max f D θ f θ = arg max ln f D θ + ln f θ MAP, θ θ. Estmar dretamente las probabldades a posteror Pr(ω x) Calulando f x (x ω ) y Pr(ω ). Es el proedmento más aonsejable en una aplaón de lasfaón. Suposones Queremos determnar la probabldad a posteror a partr de las observaones en D, y supondremos que: - La forma de f x (x θ ) es onoda pero no el parámetro θ - uestro onomento a pror de θ está en f(θ ) - El resto de nuestro onomento sobre θ vene dado por los datos en D
7 Proedmento:. Promedar la forma onoda para la funón de verosmltud respeto a la probabldad a posteror del parámetro: fx( x ω ) fx( x D ) = f( x θ ) f( θ D ) dθ. Calulamos la probabldad a posteror del parámetro omo f( D θ) f( θ) f( θ D) = f( D θ) f( θ) f( D θ ) f( θ ) dθ 3. Suponendo ndependena de los datos en D = f( D θ ) f( x θ ) = 3 Ejemplo 4: Estmador bayesano de f x (x D ) s ( ) ( ) f ( x μ ) μ, C x f( μ ) μ, C 0 0 donde se suponen onodas μ 0, C 0 y C, y se dspone de los datos observados D = {x,, x } ω A partr de y 3 podemos esrbr: f( μ D) = α f ( x μ) f( μ) = = x = α exp ( + ) + μ C C μ μ C C μ 0 x 0 0 = 4
8 La euaón puede esrbrse tambén omo: f( μ D) = α exp μ μ C μ μ ( ) ( ) donde: C = C + C 0 C μ = C m + C μ 0 0 m = x = Aplando la gualdad matral: ( + ) = ( + ) = ( + ) A B A A B B B A B A 5 pueden reformularse la meda y la matrz de ovaranza: μ = C C + C m + C C + C μ C = C0 C0 + C C ótese que la meda es una ombnaón lneal del onomento a pror de la meda μ 0 y la nformaón aportada por los datos m. Integrando la euaón : ( ) f ( x ω) f ( x D) = f( x μ) f( μ D) dμ μ, C+ C x x Cuando la estmaon tende a ser ML μ = m C = C 6
9 ESIMACIÓ BAYESIAA y ESIMACIÓ ML Comparaón: La funón f( D θ) tendrá un po tanto más abrupto alrededor de θ = θˆ uanto mayor sea. S f(θ ) no es ero y no varía muho era de f( θ D ) = f( D θ ) f( θ ) f( D ) θ = θˆ entones tamben tene un po en θ ˆ y los estmadores obtendos por = θ Bayes y medante ML onden. En la práta, s el número de muestras de entrenamento es pequeño, es mejor la estmaón Bayesana. 7 f(d μ) Ejemplo 5: f(μ) 5 muestras 35 muestras 00 muestras Estmaón ML de la meda (μ 0 =) sobre un número varable de muestras Gaussanas. La fdp a pror de μ es Gaussana μ ο μ f(d μ) f(μ) 5 muestras 35 muestras 00 muestras Estmaón Bayesana de la meda (μ 0 =) sobre un número varable de muestras Gaussanas. La fdp a pror de μ es Gaussana. f(μ) μ ο μ 8
10 f(d μ) f(μ) Estmaón Bayesana de la meda (μ 0 =) sobre un número varable de muestras Gaussanas. La fdp a pror de μ es unforme. f(μ) 5 muestras 35 muestras 00 muestras μ ο μ 9..4 PROBLEMAS DE DIMESIOALIDAD Al aumentar el número de araterístas ndependentes en un problema de lasfaón es posble haer tender el error a ero. Ejemplo : Problema de lasfaón on dos lases gaussanas equprobables ( ) f ( ω ) ; x =, Pr( ω ) = Pr( ω ) x d 0
11 La probabldad de error queda defnda omo: e u du π Pr( ) = exp( / ) r / r ( μ μ ) Σ ( μ μ ) = S las araterístas son ndependentes entre sí: σ σ 0 Σ = 0 0 σ d r d,, = μ μ = σ Cuando d, r, Pr(e) 0 Ejemplo : f x (x ω ) Pr (ω ) f x (x ω )Pr (ω ) Error de lasfaón en D Error de lasfaón en D En este aso, las pdf de dos lases están solapadas uando se dspone de una (x ) o dos araterístas (x, x ). Cuando se añade la terera araterísta (x 3 ), las dos pdf apareen ompletamente separadas y el error de lasfaón se redue a ero.
12 Sn embargo, dsponer de araterístas adonales no sempre mejora la lasfaón s se dspone de poas observaones para determnar parámetros adonales. Por otra parte, es posble que algunas de las araterístas: o aporten nformaón que permta lasfar mejor o sean ndependentes de otras araterístas o se ajusten a la pdf asumda Dsponer de muhas araterístas aumenta la omplejdad de la soluón. La defnón del número de araterístas relevantes es neesara en todo sstema de lasfaón 3 Reduón del número de araterístas medante ombnaón lneal: y W x x y W d d' d' d =,, d' < d Soluones posbles para W:. Proyetar los vetores x de la mejor forma posble en el sentdo del error uadráto análss de omponentes prnpales (PCA). Proyetar los vetores x de forma que las lases resultantes queden lo más separadas posble análss por múltples dsrmnantes (MDA) 4
13 AÁLISIS DE COMPOEES PRICIPALES Dsponemos de un total de observaones asoadas a todas las lases: { x } D = x, x,..., x busamos una matrz W untara (W W = I) que mejor aproxme x Wy + m m= x d x D en el sentdo del error uadráto medo J = Wy + m x () = 5 Los vetores de dmensón reduda venen dados por: ( ) y W x m = y la matrz de transformaón es W = [ w w w ] donde los vetores w j umplen: x D Sw = λ w j j j ( )( ) S = x m x m d ' La mnmzaón del error uadráto medo mpla utlzar en W los autovetores asoados a los mayores autovalores. **** Demostradlo, mnmzando () on la restrón **** () ww j j = 6
14 Los autovetores defnen las dreones prnpales de un hperelpsode. Son ortogonales y apuntan en las dreones de máxma dspersón. 0 Dreon del autovetor 8 asoado al maxmo autovalor 6de S Buena separaón on PCA Mala separaón on PCA Mala separaón on PCA 7 AÁLISIS POR MÚLIPLES DISCRIMIAES La transformaón por omponentes prnpales no es sempre útl para dsrmnar entre dstntas lases. Sería mejor defnr una transformaón que - Aumente la dstana nter-lases y - Dsmnuya la dspersón ntra-lase. Ejemplo : w w Mejor separaón entre lases!! 8
15 Construremos una transformaón W desde un espao de dmenson d (tamaño de los vetores observados x) a un espao de dmenson d - (donde es el numero de lases). eestamos una medda de la dstana nter-lases y una medda de la dspersón ntra-lase, para lo ual defnmos: m x D m = = x m = x { } x D,..., D = { D,..., D } x ( )( ) S = x m x m Meda de los datos de la lase Meda de todos los datos Dspersón total de los datos 9 x { D D },..., = x D ( )( ) ( x m m m)( x m m m) ( x m )( x m ) ( m m)( m m) = x D = x D S = x m x m = = + + = ( )( ) C, C B = = = + = = S + m m m m = S + S Suma de matres de dspersón ntra-lases Matrz de dstana nter-lases 30
16 m 0 m - -4 m La transformaón a aplar será: y W x x y W d d' d' d =,, d' < d Las matres de dspersón ntra-lase e nter-lases quedan modfadas: S W S W S C B C W SBW S suponemos que y es gaussano, el volumen de las pdf / asoadas a ada lase es proporonal a WSW C y la / dstana entre lases es proporonal a WSW B 3
17 Crtero dsrmnante: W = arg max W WSW B WSW C () La soluón para las olumnas de W son los - autovetores generalzados: Sw = λ Sw B j j C j asoados a los - autovalores generalzados mayores. () 33 La dmensón máxma de los vetores y es -, ya que: S B. El rango de es -. Por tanto solo exsten - autovalores dstntos de ero 3. La maxmzaón de () mpla que solo los autovetores asoados a los autovalores dstntos de ero han de nlurse en la soluón. ******* Demostrad que la euaón () maxmza () ********* ******** substtuyendo en () y usando AB = A B ********* 34
18 Ejemplo : f x (x ω ) f x (x ω ) f x (x ω 3 ) Las dstrbuones trdmensonales asoadas a tres lases dstntas se proyetan sobre espaos de dmensón nferor (planos en este aso). La proyeón sobre el plano defndo por W proporona mayor separaón entre lases que el plano defndo por W. 35 Regones de desón sobre los datos transformados El álulo de las regones de desón puede haerse sguendo las pautas de un detetor bayesano óptmo (ver tema.) suponendo gaussandad para y, on parámetros: ( ) μ = W m m =,..., C = W SC, W 36
19 ..5 COCLUSIOES S se puede suponer una forma paramétra para f x (x ω ) entones la fase de entrenamento del lasfador se redue a la estmaón de los parámetros Pueden utlzarse dos soluones para la estmaón de parámetros: ML (más smple omputaonalmente) o bayesana (s se dspone de onomento a pror sobre los parámetros) Los problemas dervados del exeso de dmensonaldad pueden redurse medante el uso de múltples dsrmnantes 37
Estadísticos muéstrales
Estadístcos muéstrales Hemos estudado dferentes meddas numércas correspondentes a conjuntos de datos, entre otras, estudamos la meda, la desvacón estándar etc. Ahora vamos a dstngur entre meddas numércas
Más detallesVaporización y condensación parcial de equilibrio
Vaporaón y ondensaón paral de equlbro El separador flash en equlbro es el más senllo de los proesos de etapas de equlbro on el que se puede enontrar un dseñador. Aún uando ntervene solamente una etapa,
Más detallesMedición de la creatividad bajo la visión del ingeniero
Medón de la reatvdad bajo la vsón del ngenero l modelo de Redelnghuys (1997ª, 1997b), es otra propuesta que busa medr la reatvdad en el proeso y se desarrolla espeífamente alrededor del tema de la reatvdad
Más detallesMinería de Datos (MD) estadística
Mnería de datos Tema 3: Métodos Báscos: Algortmos Mnería de Datos (MD) estadístca Por qué una aproxmacón estadístca en la MD? La utlzacón de característcas para representar una entdad provoca una pérdda
Más detallesFigura 77. Tabla de los costes de transporte de la operativa actual según las dos metodologías.
6. CONCLUSIONES: VALORACIONES DE LOS COSTES DE TRANSPORTE: Reogemos aquí de nuevo los resultados de la valoraón de los ostes de transporte de la operatva atual obtendos a través de las dos metodologías
Más detalles( ) MUESTREO ALEATORIO SIMPLE SIN REEMPLAZO ( mas ) y Y. N n. S y. MUESTREO ALEATORIO SIMPLE SIN REEMPLAZO ( mas )
MUETREO ALEATORIO IMPLE I Este esquema de muestreo es el más usado cuando se tene un marco de muestreo que especfque la manera de dentfcar cada undad en la poblacón. Además no se tene conocmento a pror
Más detallesPROBLEMAS RESUELTOS ÁLGEBRA LINEAL Tema 2. Espacios Vectoriales TEMA: MATRIZ DE TRANSICIÓN Y VECTOR DE COORDENADAS
PROLEMS RESUELTOS ÁLGER LINEL Tema. Espaos Vetorales TEM: MTRIZ DE TRNSICIÓN Y VECTOR DE COORDENDS Problema : Sean las bases y de un espao vetoral defndo sobre los números omplejos:, 0,,,, {( ) ( )} (,,
Más detallesSoluciones Hoja 2: Relatividad (II)
Soluones Hoja 2: Relatdad II Dos naes espaales déntas y, on longtud en reposo l km, aanzan paralelas la una a la otro on elodades /2 y /4, respetamente, on respeto a un sstema de referena neral S Inalmente,
Más detallesCURSO INTERNACIONAL: CONSTRUCCIÓN DE ESCENARIOS ECONÓMICOS Y ECONOMETRÍA AVANZADA. Instructor: Horacio Catalán Alonso
CURSO ITERACIOAL: COSTRUCCIÓ DE ESCEARIOS ECOÓMICOS ECOOMETRÍA AVAZADA Instructor: Horaco Catalán Alonso Modelo de Regresón Lneal Smple El modelo de regresón lneal representa un marco metodológco, que
Más detallesDepartamento de Señales, Sistemas y Radicomunicaciones Comunicaciones Digitales, junio 2011
Departamento de Señales, Sstemas y Radcomuncacones Comuncacones Dgtales, juno 011 Responder los problemas en hojas ndependentes. No se permte el uso de calculadora. Problema 1 6 p.) En este ejercco se
Más detallesLaboratorio 9. Equilibrio de distribución de un soluto en solventes inmiscibles
Laboratoro 9. Equlbro de dstrbuón de un soluto en solventes nmsbles Objetvo Determnar el oefente de dstrbuón de ádo aéto en el sstema agua/loroformo y agua/éter. Además, se determnará la efena de extraón
Más detallesPLANTEAMIENTO DE PROBLEMAS DE EQUILIBRIO
FACUTAD DE QUÍMICA Maestría En Ingenería Químa TERMODINÁMICA QUÍMICA Semestre 00- PANTEAMIENTO DE PROBEMAS DE EQUIIBRIO Un problema de equlbro de fases es aquel en donde dos o más fases están en ontato
Más detallesProbabilidad condicional
robabldades y Estadísta Computaón Faultad de Cenas Exatas y Naturales Unversdad de uenos res na M. ano y Elena J. Martínez 00 robabldad ondonal Consderemos una urna que ontene bolllas roas y 5 blanas.
Más detallesCAPÍTULO 4 MARCO TEÓRICO
CAPÍTULO 4 MARCO TEÓRICO Cabe menconar que durante el proceso de medcón, la precsón y la exacttud de cualquer magntud físca está lmtada. Esta lmtacón se debe a que las medcones físcas sempre contenen errores.
Más detallesLaboratorio 9. Equilibrio de distribución de un soluto en solventes inmiscibles
Laboratoro 9. Equlbro de dstrbuón de un soluto en solventes nmsbles Objetvo Determnar el oefente de dstrbuón de ádo aéto en el sstema agua/loroformo y agua/éter. Además, se determnará la efena de extraón
Más detalles1. Variable aleatoria. Clasificación
Tema 7: Varable Aleatora Undmensonal 1. Varable aleatora. Clasfcacón. Caracterzacón de una varable aleatora. Varable Aleatora dscreta. Varable Aleatora contnua 3. Característcas de una varable aleatora.
Más detallesFE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Ximénez & San Martín, 2004)
FE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Xménez & San Martín, 004) Capítulo. Nocones báscas de álgebra de matrces Fe de erratas.. Cálculo de la transpuesta de una matrz
Más detallesOperadores por Regiones
Operadores por Regones Fltros por Regones Los fltros por regones ntentan determnar el cambo de valor de un píxel consderando los valores de sus vecnos I[-1,-1] I[-1] I[+1,-1] I[-1, I[ I[+1, I[-1,+1] I[+1]
Más detallesFigura 1
5 Regresón Lneal Smple 5. Introduccón 90 En muchos problemas centífcos nteresa hallar la relacón entre una varable (Y), llamada varable de respuesta, ó varable de salda, ó varable dependente y un conjunto
Más detallesMUESTREO EN POBLACIONES FINITAS
MUESTREO EN POBLACIONES FINITAS Antono Morllas A.Morllas: Muestreo 1 MUESTREO EN POBLACIONES FINITAS 1. Conceptos estadístcos báscos. Etapas en el muestreo 3. Tpos de error 4. Métodos de muestreo 5. Tamaño
Más detallesMuestra: son datos de corte transversal correspondientes a 120 familias españolas.
Capítulo II: El Modelo Lneal Clásco - Estmacón Aplcacones Informátcas 3. APLICACIONES INFORMÁTICAS Fchero : cp.wf (modelo de regresón smple) Seres: : consumo famlar mensual en mles de pesetas RENTA: renta
Más detallesEstadística con R. Modelo Probabilístico Lineal
Estadístca con R Modelo Probablístco Lneal Modelo Probablístco Lneal Forma de la funcón: Y b 0 +b 1 X +e Varable dependente, endógena o a explcar dcotómca : Y, S Y 0 e -b 0 - b 1 X con probabldad p. S
Más detallesPROBABILIDAD Y ESTADÍSTICA
FACULTAD DE INGENIERÍA U N A M PROBABILIDAD Y ESTADÍSTICA Irene Patrca Valdez y Alfaro renev@unam.m Versón revsada: uno 08 T E M A S DEL CURSO. Análss Estadístco de datos muestrales.. Fundamentos de la
Más detallesV. Materiales y Métodos. Castro (2002). Las propiedades de la corriente de alimentación se presentan en la tabla 2.
V. Materales y Métodos 5.1 Caso de Estudo Para probar el algortmo a desarrollar se utlzará el aso de estudo utlzado por Jménez y Castro (2002). Las propedades de la orrente de almentaón se presentan en
Más detallesAnálisis de la varianza de un factor
Análss de la varanza de un factor El test t de muestras se aplca cuando se queren comparar las medas de dos poblacones con dstrbucones normales con varanzas guales y se observan muestras ndependentes para
Más detallesTEMA 6: INTERDEPENDENCIA COMPETENCIA
TEMA 6: INTERDEPENDENCIA ESTRATEGICA Y MODELOS DE COMPETENCIA. Competena en antdades: Modelos de Cournot. La ompetena perfeta omo límte de ompetena en antdades entre gran número de empresas. Competena
Más detallesPUBLICACIONES DE 4º CURSO
PUBLICACIONES DE 4º CURSO Grado: DERECHO-ADE Asgnatura: ECONOMERÍA Grupos: Únco ema: ESQUEMA EMA Profesores: Inmaculada Vllanúa Departamento de ANÁLISIS ECONÓMICO Curso Académco 04/5 ema : El Modelo Lneal
Más detallesReconocimiento de Locutor basado en Procesamiento de Voz. ProDiVoz Reconocimiento de Locutor 1
Reconocmento de Locutor basado en Procesamento de Voz ProDVoz Reconocmento de Locutor Introduccón Reconocmento de locutor: Proceso de extraccón automátca de nformacón relatva a la dentdad de la persona
Más detallesTEMA 5: TRANSPORTE EN ESTADO ESTACIONARIO: RESOLUCIÓN NUMÉRICA DE PROBLEMAS ODE-BVP
Ingenería Químa Cálulo Avanzado de Proesos Químos. TEMA 5 4º urso. TEMA 5: TRANSPORTE EN ESTADO ESTACIONARIO: RESOLUCIÓN NUMÉRICA DE PROBLEMAS ODE-BVP. PROBLEMAS ODE-BVP: PRESENTACIÓN. CONDICIONES DE INTEGRACIÓN
Más detallesVariables Aleatorias. Variables Aleatorias. Variables Aleatorias. Objetivos del tema: Al final del tema el alumno será capaz de:
Varables Aleatoras Varables Aleatoras Objetvos del tema: Concepto de varable aleatora Al fnal del tema el alumno será capaz de: Varables aleatoras dscretas y contnuas Funcón de probabldad Funcón de dstrbucón
Más detallesEstimación no lineal del estado y los parámetros
Parte III Estmacón no lneal del estado y los parámetros 1. Estmacón recursva El ltro de Kalman extenddo 12 es una técnca muy utlzada para la la estmacón recursva del estado de sstemas no lneales en presenca
Más detalles2: p.d.f. BASED MODELS
: p.d.f. BASED MODELS CLASIFICACIÓN DE PATRONES (CLP) P07 Profesores: M. Cabrera, J. Vdal ETSETB-UPC Optatva de º cclo (Some fgures of ths document are obtaned from the reference book: Pattern Classfcaton
Más detallesTema 3: Procedimientos de Constrastación y Selección de Modelos
Tema 3: Procedmentos de Constrastacón y Seleccón de Modelos TEMA 3: PROCEDIMIENTOS DE CONTRASTACIÓN Y SELECCIÓN DE MODELOS 3) Introduccón a los Modelos con Restrccones Estmacón Restrngda 3) Contrastes
Más detallesJesús García Herrero CLASIFICADORES BAYESIANOS
Jesús García Herrero CLASIFICADORES BAYESIANOS En esta clase se presentan los algortmos Análss de Datos para abordar tareas de aprendzaje de modelos predctvos. Se partcularzan las técncas estadístcas vstas
Más detallesLa inferencia estadística es primordialmente de naturaleza
VI. Ifereca estadístca Ifereca Estadístca La fereca estadístca es prmordalmete de aturaleza ductva y llega a geeralzar respecto de las característcas de ua poblacó valédose de observacoes empírcas de la
Más detallesGeometría y Cinemática. Control y Programación de Robots
Geometría y Cnemáta Control y Programaón de Robot Cnemáta de un Robot Manpulador Cnemáta dreta Cnemáta Invera Matrz Jaobana Cnemáta de un Robot Manpulador Cnemáta del robot : Etudo de u movmento on repeto
Más detallesIntroducción. Escuela Técnica Superior de Ingeniería Informática. Universidad de La Laguna. Fernando Pérez Nava
Reconocmento de Patrones Introduccón Tema : Reconocmento Estadístco de Patrones Por qué una aproxmacón estadístca en el RP? La utlzacón de característcas para representar una entdad provoca una pérdda
Más detallesAnálisis del caso promedio. Técnicas Avanzadas de Programación - Javier Campos 70
Análss del caso promedo Técncas Avanzadas de Programacón - Javer Campos 70 Análss del caso promedo El plan: Probabldad Análss probablsta Árboles bnaros de búsqueda construdos aleatoramente Tres, árboles
Más detallesProducto F1 F2 F3 F4 F5 F6 A B C Capacidad
PROBLEMA: PRODUCCIÓN DE TRES PRODUCTOS (PRODUCTION OF THREE PRODUCTS) Una ompañía fabra una gama de tres produtos, A, B y C, en ses dferentes fatorías. Los ostes untaros de fabraón de ada produto y las
Más detallesWww.apuntesdemates.weebl.es TEMA AMO EALARE Y VETORIALE. INTRODUIÓN e entende por magntud cualquer cualdad o propedad medble. ueden clasfcarse en: - Magntudes escalares: Quedan totalmente defndas cuando
Más detallesAnálisis de la varianza de un factor
Análss de la varanza de un factor El test t de muestras se aplca cuando se queren comparar las medas de dos poblacones con dstrbucones normales con varanzas guales y se observan muestras ndependentes para
Más detallesUniversidad Nacional del Litoral Facultad de Ingeniería Química. Magister en Matemática
nversdad Naonal del toral Faultad de Ingenería Químa Tess presentada omo parte de los requstos para la obtenón del grado aadémo de: Magster en Matemáta Título de la tess Convergena optmzaón global en Programaón
Más detallesReconciliación de datos experimentales. MI5022 Análisis y simulación de procesos mineralúgicos
Reconclacón de datos expermentales MI5022 Análss y smulacón de procesos mneralúgcos Balances Balances en una celda de flotacón En torno a una celda de flotacón (o un crcuto) se pueden escrbr los sguentes
Más detallesCÁLCULO DE APROXIMACIÓN A CRÍTICO. Orso J. A. (1) Facultad de Ciencias Exactas, Ingeniería y Agrimensura (UNR) CNEA
ÁLULO DE APROXIMAIÓN A RÍTIO Orso J. A. ( Faultad de enas Exatas, Ingenería y Agrmensura (UNR NEA RESUMEN La posón de la barra de ontrol para la ondón del estado ríto de un reator nulear depende de muhos
Más detallesUN POCO DE HISTORIA Prof. Teuvo Kohonen UN POCO DE HISTORIA
Self-Organzng Maps 1. Defnón.. Un poo de hstora. CONTENIDO 3. Desrpón del algortmo. L. Pablo Sergo Garía 4. Ejemplos en ejeuón. 5. Problemas 6. Aplaones. DEFINICIÓN El SOM es un algortmo para vsualzar
Más detallesNos interesa asignar probabilidades a valores numéricos obtenidos a partir de fenómenos aleatorios, es decir a variables aleatorias.
Estadístca (Q) Dana M. Kelmansky 5 Varables Aleatoras Nos nteresa asgnar probabldades a valores numércos obtendos a partr de fenómenos aleatoros, es decr a varables aleatoras. Por ejemplo, calcular la
Más detallesRegresión y Correlación Métodos numéricos
Regresón y Correlacón Métodos numércos Prof. Mguel Hesquo Garduño. Est. Mrla Benavdes Rojas Depto. De Ingenería Químca Petrolera ESIQIE-IPN hesquogm@yahoo.com.mx mbenavdesr5@gmal.com Regresón lneal El
Más detallesProblemas de Optimización. Conceptos básicos de optimización. Indice. Un problema de optimización NLP. Equivalencias. Contornos / Curvas de nivel
Conceptos báscos de optmzacón Problemas de Optmzacón Prof. Cesar de Prada Dpt. Ingenería de Sstemas y Automátca UVA prada@autom.uva.es mn J() h() = g() Problema general NPL Para encontrar una solucón al
Más detallesTécnicas de tratamiento de señal y comunicaciones
Esuela Téna Superor de Ingenería de Teleomunaón Máster en Ingenería de Teleomunaón Ténas de tratamento de señal y omunaones 5 Transmsón en anales on desvanementos Tx d d Rx =d / José Tomás Entrambasaguas
Más detallesEJERCICIO 1 1. VERDADERO 2. VERDADERO (Esta afirmación no es cierta en el caso del modelo general). 3. En el modelo lineal general
PRÁCTICA 6: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN EJERCICIO. VERDADERO. VERDADERO (Esta afrmacón no es certa en el caso del modelo general. 3. En el modelo lneal general Y =X β + ε, explcar la forma que
Más detallesAJUSTE DE LA CURVA DE PROBABILIDAD DEL ESCURRIMIENTO MEDIO HIPERANUAL ANUAL SEGÚN LA TEORÍA S B JOHNSON.
AJUSTE DE LA CURVA DE PROBABILIDAD DEL ESCURRIMIENTO MEDIO HIPERANUAL ANUAL SEGÚN LA TEORÍA S B JOHNSON. Revsta Voluntad Hdráulca No. 57, 98. Págnas 58-64 RESUMEN Se nforma sobre el desarrollo del método
Más detallesVariables Aleatorias
Varables Aleatoras VARIABLES ALEATORIAS. Varable aleatora. Tpos.... Dstrbucón de probabldad asocada a una varable aleatora dscreta... 4. Funcón de dstrbucón. Propedades... 5 4. Funcón de densdad... 7 5.
Más detallesMINERIA DE LA WEB. aprendizaje mecánico y clasificación MINERIA DE LA WEB. aprendizaje mecánico y clasificación MINERIA DE LA WEB
meáno supersao Aprenzae eáno Supersao y Clasfaón Téna para generar funones a partr e eemplos e entrenamento Depeneno el output arables ontnuas (regresón etquetas e lases ( pasos para meáno supersao e ígtos
Más detallesDeterminación de los tiempos en el Hidrograma Unitario Geomorfológico de Depósitos y Canal.
IV Jornadas de Ingenería del Agua La preptaón y los proesos erosvos Córdoba, 1 y de Otubre 15 Determnaón de los tempos en el Hdrograma Untaro Geomorfológo de Depóstos y Canal. Goñ, M., Gmena, F.N., López,
Más detallesCAMPOS DE VELOCIDADES DE LOS DISCOS
CAMPOS DE VELOCIDADES DE LOS DISCOS Los dscos galáctcos se modelan como anllos crculares concéntrcos. S Ω es la velocdad angular del anllo y r el vector que va hasta el centro, sendo n el vector untaro
Más detallesPyE_ EF1_TIPO1_
SEMESTRE 00- TIPO DURACIÓN MÁIMA.5 HORAS DICIEMBRE DE 00 NOMBRE. El índce de clardad se determnó en los celos de Morelos, para cada uno de los 365 días de un año, obtenéndose los sguentes datos. Límtes
Más detallesDetección Bayesiana de Efectos Activos en Experimentos Factoriales con Respuesta Dicotómica.
DETECCIÓN BayesanA DE EFECTOS ACTIVOS RESPUESTA BINOMIAL Deteccón Bayesana de Efectos Actvos en Expermentos Factorales con Respuesta Dcotómca. XXI Foro Naconal de Estadístca AME y Unversdad Autónoma de
Más detallesTema 2: El modelo clásico de regresión
CURSO 010/011 Tema : El modelo clásco de regresón Aránzazu de Juan Fernández ECONOMETRÍA I ESQUEMA DEL TEMA Presentacón del modelo Hpótess del modelo Estmacón MCO Propedades algebracas de los estmadores
Más detallesTEMA 14. ESCALAMIENTO CONJUNTO. INTRODUCCIÓN A LA TEORÍA DE LA RESPUESTA A LOS ITEMS (TRI)
TEMA 14. ESCALAMIENTO CONJUNTO. INTRODUCCIÓN A LA TEORÍA DE LA RESPUESTA A LOS ITEMS (TRI) 14.1. La Curva Característca de los ítems (CCI) 14.. Los errores típcos de medda 14.3. La Funcón de Informacón
Más detallesAnálisis de Weibull. StatFolio de Muestra: Weibull analysis.sgp
Análss de Webull Resumen El procedmento del Análss de Webull está dseñado para ajustar una dstrbucón de Webull a un conjunto de n observacones. Es comúnmente usado para analzar datos representando tempos
Más detallesEXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 19 de Septiembre de :30 horas. Pregunta 19 A B C En Blanco
EXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 19 de Septembre de 01 15:30 horas Prmer Apelldo: Nombre: DNI: Teléfono: Segundo Apelldo: Grupo y Grado: Profesor(a): e mal: Pregunta 1 A B C
Más detallese i para construir el modelo econométrico que se escribe a continuación:
5.3 Especfcacón del modelo empírco Para este análss se formló n modelo econométrco de seccón crzada, porqe las observacones corresponden a las característcas de las personas encestadas en n msmo período
Más detalles3. VARIABLES ALEATORIAS.
3. VARIABLES ALEATORIAS. Una varable aleatora es una varable que toma valores numércos determnados por el resultado de un epermento aleatoro (no hay que confundr la varable aleatora con sus posbles valores)
Más detallesInstituto Tecnológico Superior del Sur del Estado de Yucatán EGRESIÓN LINEAL REGRESI. 10 kg. 10 cm
Insttuto Tecnológco Superor del Sur del Estado de Yucatán REGRESI EGRESIÓN LINEAL 100 90 80 70 60 10 kg. 50 40 10 cm. 30 140 150 160 170 180 190 200 Objetvo de la undad Insttuto Tecnológco Superor del
Más detallesRECETA ELECTRÓNICA: IMPACTO SOBRE EL GASTO FARMACEÚTICO
RECETA ELECTRÓNICA: IMPACTO SOBRE EL GASTO FARMACEÚTICO Introduccón Dseño del estudo Especfcacón del modelo Resultados Introduccón Dseño del estudo Especfcacón del modelo Resultados Introduccón: Esquema
Más detallesCAPÍTULO IV. MEDICIÓN. De acuerdo con Székely (2005), existe dentro del período información
IV. Base de Datos CAPÍTULO IV. MEDICIÓN De acuerdo con Székely (2005), exste dentro del período 950-2004 nformacón representatva a nvel naconal que en algún momento se ha utlzado para medr la pobreza.
Más detallesMÉTODOS AVANZADOS EN APRENDIZAJE ARTIFICIAL: TEORÍA Y APLICACIONES A PROBLEMAS DE PREDICCIÓN
MÉTODOS AVANZADOS EN APRENDIZAJE ARTIFICIAL: TEORÍA Y APLICACIONES A PROBLEMAS DE PREDICCIÓN Manuel Sánchez-Montañés Lus Lago Ana González Escuela Poltécnca Superor Unversdad Autónoma de Madrd Transformacón
Más detallesTema 1.- Variable aleatoria discreta (V2.1)
Tema.- Varable aleatora dscreta (V2.).- Concepto de varable aleatora A cada posble resultado de un expermento lo llamamos suceso elemental, y lo denotamos con ω, ω 2, Llamamos espaco muestral al conjunto
Más detallesVariables Aleatorias
Varables Aleatoras VARIABLES ALEATORIAS. Varable aleatora. Tpos.... Dstrbucón de probabldad asocada a una varable aleatora dscreta... 4. Funcón de dstrbucón. Propedades... 5 4. Funcón de densdad... 7 5.
Más detallesIntroducción a la Química Computacional
Introduón a la Químa Computaonal TEORÍA ORBITALES MOLECULARES DE HÜCKEL EXTENDIDA (EHT) Reservados todos los derehos de reproduón. Lus A. Montero Cabrera, Unversdad de La Habana, Cuba, 010. Introduón a
Más detallesEspecialista en Estadística y Docencia Universitaria REGRESION LINEAL MULTIPLE
Especalsta en Estadístca y Docenca Unverstara REGRESION LINEAL MULTIPLE El modelo de regresón lneal múltple El modelo de regresón lneal múltple con p varables predctoras y basado en n observacones tomadas
Más detallesESCALAMIENTO DE 1,018 V A 10 V POR MEDIO DE UN DIVISOR RESISTIVO
Smposo de Metrología 004 5 al 7 de Otubre ESCALAMIEO DE,08 A 0 PO MEDIO DE U DIISO ESISIO D Avlés, C Sánhez, G Durán y D Hernández Centro aonal de Metrología km 4,5 arretera a Los Cués, 764 El Marqués,
Más detallesUNIVERSIDAD POLITÉCNICA DE MADRID
UNIVERSIDAD POLITÉCNICA DE MADRID DEPARTAMENTO DE INGENIERÍA ELÉCTRICA, ELECTRÓNICA, AUTOMÁTICA Y FÍSICA APLICADA Prátas de Vsón Artal Práta 3 Calbraón de ámaras de vídeo 3.2 Calbraón de ámaras 3 CALIBRACIÓN
Más detallesAspectos fundamentales en el análisis de asociación
Carrera: Ingenería de Almentos Perodo: BR01 Docente: Lc. María V. León Asgnatura: Estadístca II Seccón A Análss de Regresón y Correlacón Lneal Smple Poblacones bvarantes Una poblacón b-varante contene
Más detalles6. Teoría de decisión
6. Teoría de decsón 6. Fundamentos y Axomas de coherenca El OBJETIVO de la estadístca, y en partcular de la estadístca Bayesana, es proporconar una metodología para analzar adecuadamente la nformacón con
Más detalles1 Estadística. Profesora María Durbán
Tema 5: Estmacó de Parámetros Tema 5: Estmacó de Parámetros 5. Itroduccó y coceptos báscos 5. Propedades de los estmadores 5.4 Dstrbucó de u estmador e el muestreo Objetvos del tema: Al fal del tema el
Más detallesÍndice. Tema 8: Teoría de la Respuesta al Ítem (2). 1. La estimación de los parámetros de los modelos
Tema 8: Teoría de la Respuesta al Ítem (2). Índce. La estmacón de los parámetros de los modelos 2. Estmacón de la habldad: Método de Máxma Verosmltud 3. Estmacón de los parámetros de los tems o calbracón
Más detallesDivisión de Estadísticas y Proyecciones Económicas (DEPE) Centro de Proyecciones Económicas (CPE)
Comsó Ecoómca para Amérca Lata y el Carbe (CEPAL Dvsó de Estadístcas y Proyeccoes Ecoómcas (DEPE Cetro de Proyeccoes Ecoómcas (CPE Estmacó Putual de Parámetros Chrsta A. Hurtado Navarro Mayo, 006 Estmacó
Más detallesTema 4: Variables aleatorias
Estadístca 46 Tema 4: Varables aleatoras El concepto de varable aleatora surge de la necesdad de hacer más manejables matemátcamente los resultados de los expermentos aleatoros, que en muchos casos son
Más detallesIntroducción al Método de los Elementos Finitos
S 4 v v 5 Introduccón al Método de los Elementos Fntos Parte 4 Estmacón de error en problemas elíptcos Alberto Cardona, Víctor Facnott Cmec-Intec (UNL/Concet), Santa Fe, Argentna Estmacón de error en problemas
Más detallesCapítulo 2: ANALISIS EXPLORATORIO de DATOS Estadística Computacional 1º Semestre 2003
Unversdad Técnca Federco Santa María Departamento de Informátca ILI-80 Capítulo : ANALISIS EXPLORATORIO de DATOS Estadístca Computaconal º Semestre 003 Profesor :Héctor Allende Págna : www.nf.utfsm.cl/~hallende
Más detalles3. Algunos modelos estadísticos
3. Algunos modelos estadístcos Con las herramentas computaconales a nuestra dsposcón, en las sguentes seccones se revsarán algunos de los modelos estadístcos más usados en la práctca y la forma de hacer
Más detallesLaboratorio de Optica
Laboraoro de Opa Análss de errores el Brue Laboraoro de Opa Aplada Cenro de Cenas Apladas Desarrollo Tenológo U..A.M. A.P. 70-86 Méo 0450 D.F. (brue@aleph.nsrum.unam.m Al realar ualquer medón para deermnar
Más detallesAnálisis en Componentes Principales
Análss en Componentes Prncpales ACP ACP: resumen Stuacón: se tene una tabla de datos cuanttatvos Obetvo: obtener una representacón en pocas dmensones de los obetos, perdendo el mínmo de nformacón obtener
Más detallesMAGNITUD: propiedad o cualidad física susceptible de ser medida y cuantificada. Ejemplos: longitud, superficie, volumen, tiempo, velocidad, etc.
TEMA. INSTRUMENTOS FÍSICO-MATEMÁTICOS.. SISTEMAS DE MAGNITUDES Y UNIDADES. CONVERSIÓN DE UNIDADES. MAGNITUD: propedad o cualdad físca susceptble de ser medda y cuantfcada. Ejemplos: longtud, superfce,
Más detallesTeoría de Modelos y Simulación Enrique Eduardo Tarifa Facultad de Ingeniería - Universidad Nacional de Jujuy. Generación de Números Aleatorios
Teoría de Modelos y Smulacón Enrque Eduardo Tarfa Facultad de Ingenería - Unversdad Naconal de Jujuy Generacón de Números Aleatoros Introduccón Este capítulo trata sobre la generacón de números aleatoros.
Más detallesH 0 : La distribución poblacional es uniforme H 1 : La distribución poblacional no es uniforme
Una hpótess estadístca es una afrmacón con respecto a una característca que se desconoce de una poblacón de nterés. En la seccón anteror tratamos los casos dscretos, es decr, en forma exclusva el valor
Más detallesRegresión de Datos de Vida
Regresón de Datos de Vda Resumen El procedmento Regresón de Datos de Vda está dseñado para ajustar un modelo estadístco paramétrco relaconado con tempos de falla a una o más varables predctoras. Los predctores
Más detallesUniversidad Diego Portales Facultad de Economía y Empresa
Unversdad Dego Portales Profesor: Carlos R. Ptta Hasta este momento nos hemos enfocado en juegos en los cuales cualquer nformacón que es conocda por un jugador es conocda por todos los demás (es decr,
Más detallesEquilibrio fásico. (b) El sistema heterogéneo se considera aislado.
Termodnámca del equlbro Equlbro fásco Profesor: lí Lara En el área de Ingenería Químca exsten muchos procesos ndustrales en los cuales está nvolucrado el equlbro entre fases. Una de estas operacones es
Más detalles3 - VARIABLES ALEATORIAS
arte Varables aleatoras rof. María B. ntarell - VARIABLES ALEATORIAS.- Generaldades En muchas stuacones epermentales se quere asgnar un número real a cada uno de los elementos del espaco muestral. Al descrbr
Más detallespara cualquier a y b, entonces f(x) es la función de densidad de probabilidad de la variable aleatoria continua X.
Conceptos de Probabldad A contnuacón se presenta una revsón no ehaustva y a manera ntroductora de conceptos báscos de la teoría de probabldades. Un estudo proundo y ormal de estos se puede hacer en Mood
Más detalles1. Notación y tabulación
Tema 2: Descrpcón Unvarante. otacón y tabulacón 2. Descrpcón gráfca 3. Descrpcón numérca. Momentos estadístcos. Meddas de poscón. Meddas de dspersón v. Varable tpfcada v. Meddas de forma v. Meddas de concentracón
Más detallesTEMA 1. MÉTODOS APROXIMADOS PARA EL CÁLCULO DE OPERACIONES DE SEPARACIÓN DE MEZCLAS MULTICOMPONENTES
Unversdad de Alante. Dpto. Ingenería Químa Amplaón de Operaones de Separaón.. Métodos apromados TEMA. MÉTODOS APROXIMADOS PARA EL CÁLCULO DE OPERACIONES DE SEPARACIÓN DE MEZCLAS MULTICOMPONENTES. INTRODUCCIÓN
Más detallesEl problema de los matrimonios estables con información incompleta.
Rev. Cub. Físa vol.3 o. (006) p.80-85 ISS: 053-968. Orgnal paper Revsta Cubana de Físa Calle I o. 30 e/ 5 y 7 Vedado, La Habana. www.fsa.uh.u/bblotea/revubf/ndex.htm El problema de los matrmonos estables
Más detallesInvestigación y Técnicas de Mercado. Previsión de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): Ajustes de Tendencia
Investgacón y Técncas de Mercado Prevsón de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): s de Tendenca Profesor: Ramón Mahía Curso 00-003 I.- Introduccón Hasta el momento,
Más detallesREDISTRIBUCIÓN DE RIQUEZA USANDO DERECHOS DE CONSUMO: EL CASO IGUALITARIO 1
REDISTRIBUCIÓN DE RIQUEZA USANDO DERECHOS DE CONSUMO: EL CASO IGUALITARIO 1 Franso Martínez C 2. y Jorge Rvera C 3. Unversdad de Chle Abstrat The fundamental dea of ths paper s the use of a market mehansm
Más detallesModelos unifactoriales de efectos aleatorizados
Capítulo 4 Modelos unfactorales de efectos aleatorzados En el modelo de efectos aleatoros, los nveles del factor son una muestra aleatora de una poblacón de nveles. Este modelo surge ante la necesdad de
Más detallesOptimización no lineal
Optmzacón no lneal José María Ferrer Caja Unversdad Pontfca Comllas Planteamento general mn f( x) x g ( x) 0 = 1,..., m f, g : n R R La teoría se desarrolla para problemas de mnmzacón, los problemas de
Más detalles